Supply chain risk management by Monte Carlo method

• Autorzy: Rymarczyk T. , Kłosowski G.

Identyfikatory

DOI

10.5604/01.3001.0010.7244

Warianty tytułu

PL

Zarządzanie ryzykiem łańcucha dostaw za pomocą metody Monte Carlo

• Języki publikacji: EN

Abstrakty

EN

In this paper, the conceptual model of risk-based cost estimation for completing tasks within supply chain is presented. This model is a hybrid. Its main unit is based on Monte Carlo Simulation (MCS). Due to the fact that the important and difficult to evaluate input information is vector of risk-occur probabilities the use of artificial intelligence method was proposed. The model assumes the use of fuzzy logic or artificial neural networks – depending on the availability of historical data. The presented model could provide support to managers in making valuation decisions regarding various tasks in supply chain management.

PL

W artykule zaprezentowano przykład zastosowania hybrydowego systemu wspomagania decyzji w kontekście zarządzania ryzykiem w łańcuchu dostaw. Główny moduł sterownika bazuje na koncepcji symulacji Monte Carlo. Wektor danych wejściowych zawiera istotne informacje, których wyrażenie w postaci zmiennych ilościowych stanowi wyzwanie, w związku z czym zaproponowano użycie sztucznej inteligencji. W zależności od dostępności do danych historycznych, sterownik decyzyjny zastosuje sieci neuronowe lub logikę rozmytą. Zaprezentowane rozwiązanie może stanowić wsparcie dla menedżerów podczas podejmowania decyzji będących odpowiedzią na różnorodne ryzyka w obszarze zarządzania łańcuchem dostaw.

Słowa kluczowe

EN

project management; decision support systems; neural networks; fuzzy logic

PL

zarządzanie projektami; system wspomagania decyzji; sieci neuronowe; logika rozmyta

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2017
• Tom: T. 7, nr 4
• Strony: 20--23
• Opis fizyczny: Bibliogr. 14 poz., rys., tab.

Twórcy

autor

Rymarczyk T.

• Research and Development Center, Netrix S.A., Lublin
• University of Economics and Innovation in Lublin

autor

Kłosowski G.

• Lublin University of Technology, Faculty of Management, Department of Organization of Enterprise

Bibliografia

• [1] Ameyaw E.E., Chan A.PC: Evaluation and ranking of risk factors in public– private partnership water supply projects in developing countries using fuzzy synthetic evaluation approach. Expert Systems with Applications 42(12), 2015, 5102–5116 [doi: 10.1016/j.eswa.2015.02.041].
• [2] Elfaki A., Alatawi O., Abushandi E.: Using intelligent techniques in construction project cost estimation: 10-Year Survey. Advances in Civil Engineering 2014, Article ID 107926 [doi: 10.1155/2014/107926].
• [3] Fragiadakis N.G., Tsoukalas V.D., Papazoglou V.J.: An adaptive neuro-fuzzy inference system (ANFIS) model for assessing occupational risk in the shipbuilding industry. Safety Science 63/2014, 226–235.
• [4] Hu J., Shen E., Gu Y.: Evaluation of Lighting Performance Risk Using Surrogate Model and EnergyPlus. Procedia Engineering 2015, 522–529.
• [5] Idrus A., Nuruddin M.F., Rohman M.A.: Development of project cost contingency estimation model using risk analysis and fuzzy expert system. Expert Systems with Applications 2011, 1501–1508.
• [6] Kłosowski G., Gola, A.: Risk-based estimation of manufacturing order costs with artificial intelligence. Computer Science and Information Systems (FedCSIS), Federated Conference on. IEEE, 2016, 729–732.
• [7] Paul S.K., Sarker R., Essam D.: Managing risk and disruption in productioninventory and supply chain systems: A review. Journal of Industrial and Management Optimization 12.3/2016, 1009–1029.
• [8] Radke A.M., et al.: A risk management-based evaluation of inventory allocations for make-to-order production. CIRP Annals-Manufacturing Technology 2013, 459–462.
• [9] Rudnik K., Deptuła A.M.: System with probabilistic fuzzy knowledge base and parametric inference operators in risk assessment of innovative projects. Expert Systems with Applications 2015, 6365–6379.
• [10] Rush C., Roy R.: Analysis of cost estimating processes used within a concurrent engineering environment throughout a product life cycle. 7th ISPE International Conference on Concurrent Engineering, Lyon, France, July 17th-20th, Technomic Inc., Pennsylvania USA, 2000 58–67.
• [11] Schwarz I.J., Sandoval-Wong J.A., Sánchez P.M.: Implementation of artificial intelligence into risk management decision-making processes in construction projects, 2015, 361–362.
• [12] Sentia P. D., Mukhtar M., Shukor S. A.: Supply chain information risk management model in Make-to-Order (MTO). Procedia Technology 2013, 403–410.
• [13] Taroun A., Yang J. B., Lowe D.: Construction risk modelling and assessment: Insights from a literature review. The Built and Human Environment Review 2011, 93.
• [14] Taylan O. et al.: Construction projects selection and risk assessment by fuzzy AHP and fuzzy TOPSIS methodologies. Applied Soft Computing 2014, 105–116.